摘要

时空图学习正逐渐成为图研究中的一个重要对象。许多应用领域涉及高度动态的图结构，其中时间信息至关重要，例如交通网络和金融交易图。尽管在学习结构化数据方面不断取得进展，但仍然缺乏有效的手段从时空结构中提取动态复杂特征。特别是，传统的模型如卷积网络或循环神经网络无法同时揭示时空图中的短期或长期时间模式以及局部或全局的空间特性。为了解决这一问题，我们设计了一种新颖的多尺度架构——时空U-Net（ST-UNet），用于图结构时间序列建模。在这个U形网络中，相应地提出了一种配对采样操作：池化（ST-Pool）通过确定性的分区在空间上粗化输入图，并通过膨胀的递归跳跃连接抽象出多分辨率的时间依赖关系；基于下采样过程中的先前设置，反池化（ST-Unpool）恢复了时空图的原始结构，并在图序列中恢复了常规的时间间隔。在时空预测任务上的实验表明，我们的模型能够有效捕捉多尺度下的全面特征，并在多个实际数据集上显著优于主流方法。